-
数据集笔记：NGSIM （next generation simulation）
1 数据集介绍
数据介绍s Next Generation Simulation (NGSIM) Open Data (transportation.gov)
时间 2005年到2006年间 地点 - 在四个不同的地点收集了高质量的交通数据集
- 两个高速公路段（I-80和US-101）
- 两个干道段（兰克希姆大道和桃树街）
- 为每个地点收集和生成的数据集包括
- 车辆轨迹数据（主要数据）
- 从视频中转录车辆轨迹数据。
- 这些车辆轨迹数据每0.1秒就能精确地提供研究区域内每辆车的位置，从而得到详细的车道位置和相对于其他车辆的位置
- 对于四个NGSIM数据收集地点，存在着25列和超过1180万行的轨迹数据
- 其他特定地点的主要和支持数据
- 不同聚合水平（例如，30秒、5分钟或15分钟）的车辆流量和占有率（可能还包括速度值）（主要数据）
- 研究区域的正射矫正照片（支持数据）
- 使用正射矫正照片开发的研究区域的计算机辅助设计（CAD）图纸（支持数据）
- 信号和/或匝道计时（支持数据）
- 包括研究区域网络的几何形状和其他属性的地理信息系统（GIS）形状文件（支持数据）
- 带有聚合车辆轨迹结果的数据分析文件，提供常见的宏观交通流参数（支持数据）
- I-80 NGSIM地点还提供以下额外数据：
- 数据收集时期的旧金山机场的天气数据（支持数据）
- 路标照片（支持数据）
- 原始视频文件
- 原始的车辆运动数据
-
- 处理过的视频文件
- 带有车辆识别号码叠加的车辆视频
- 车辆轨迹数据（主要数据）
1.1 轨迹数据集各列意义
列名 描述 Vehicle_Id 车辆识别号（根据进入该区域的时间升序），重复利用 Frame_Id 该条数据在某一时刻的帧（按开始时间升序），同一Vehicle_ID的帧号不会重复 Total_Frame 该车出现在此数据集的总帧数 Global_Time 时间戳（ms） Local_X 车辆前部中心的横向（X）坐标，以英尺为单位，相对于截面在行驶方向上的最左侧边缘。 Local_Y 车辆前部中心的纵向（Y）坐标，以英尺为单位，相对于截面在行驶方向上的进入边缘。 以上两个 采集区域内的坐标，采集区域不同，坐标系不同，会有不同的零点 Global_X,Y 全局坐标，只有一个零点，可用作数据筛选 v_length 车辆长度（以英尺为单位） v_Width 车辆长度（以英尺为单位） v_Class 车辆类型：1-摩托车，2-汽车，3-卡车 v_Vel 车辆瞬时速度，以英尺/秒为单位 v_Acc 车辆的瞬时加速度，以英尺/秒为单位 Lane_ID 车辆的当前车道位置。 第1车道是最左边的车道； 第5车道是最右边的车道。 O_Zone 车辆的起点区域，即车辆进入跟踪系统的位置。 研究区域有11个起源，编号从101到111。有关更多详细信息，请参阅数据分析报告。 D_Zone 车辆的目的地区域，即车辆离开跟踪系统的地方。 研究区域中有10个目的地，从201到211编号。起点102是单向出口； 因此，没有关联的目标号码202。请参阅数据分析报告以获取更多详细信息。 Int_ID 车辆行驶的路口。 交叉点的编号为1到4，交叉点1位于最南端，交叉点4位于研究区域的最北端。 值为“ 0”表示该车辆不在交叉路口的附近，而是该车辆标识为Lankershim Boulevard的一段（下面的Section_ID）。 请参阅数据分析报告以获取更多详细信息。 Section_ID 车辆行驶的路段。 Lankershim Blvd分为五个部分（路口1的南部；路口1和2、2和3、3和4之间；路口4的北部）。 值为“ 0”表示该车辆未识别出Lankershim Boulevard的一段，并且该车辆紧邻交叉路口（上述Int_ID）。 请参阅数据分析报告以获取更多详细信息 Direction 车辆的行驶方向。 1-东行（EB），2-北行（NB），3-西行（WB），4-南行（SB） Movement 车辆的运动。 1-通过（THE），2-左转（LEFT），3-右转（RT）。 Preceding 同道前车的车辆编号。数值为“0”表示没有前面的车辆-发生在研究段的末尾和出匝道 Following 在同一车道上跟随本车辆的车辆的车辆ID。 值“ 0”表示没有跟随的车辆-在研究部分的开头和匝道发生， Space_Headway 间距提供了车辆的前中心到前一辆车辆的前中心之间的距离。（英尺） Time_Headway 时间进度（以秒为单位）提供了从车辆的前中心（以车辆的速度）行进到前一辆车辆的前中心的时间。 Location 街道名称或高速公路名称 2 数据集的一些应用
- 利用下一代模拟轨迹数据估计加速度和变道动态
- 提出了一种轨迹平滑算法以消除噪音，并将其应用于NGSIM数据。
- 然后使用平滑后的NGSIM数据来估计密度函数、时间间隔和碰撞时间的分布，以及变道持续时间标准。
- 用于高速公路轨迹预测的LSTM网络：
- 使用NGSIM数据来训练和验证一个长短期记忆（LSTM）神经网络
- 该网络可以准确预测高速公路上车辆的未来纵向和横向轨迹。
- 这些预测旨在通过允许更好地理解周围车辆的意图来提高高级驾驶辅助系统（ADAS）的适应性。
- 在高速公路交通状态估计中加入拉格朗日测量：
- 提出技术将手机的移动探针测量集成到高速公路交通流模型中。
- NGSIM数据被用作基准数据集来验证和比较这两种方法。
- 在连接环境中建模变道行为：
- 博弈论方法：提出了一个基于博弈论方法的变道模型，考虑了连接车辆环境中的信息流。
- NGSIM数据集用于校准所提出的变道模型。
- 使用时空上下文检测异常视频事件：
- 提出了一种意识到上下文的视频事件检测方法，用于检测对象运动中的异常。
- NGSIM视频被用来测试和验证该方法在检测交通视频中的异常以及识别这些异常为危险和非法交通事件的能力。
- 自动驾驶车辆的社会行为：
- 提出了一个自动驾驶车辆控制器设计框架，其中包含了来自社会心理学的工具。
- NGSIM数据集用于验证所提出的算法，该算法控制自动驾驶车辆的驾驶，同时通过结合社会心理学预测人类驾驶的车辆轨迹。
- 驾驶行为模型中相关参数的研究——跟车例子及其对交通微观模拟的影响：
- 调查了忽略跟车模型三个参数相关性对衍生运动和异质交通模拟的交通特性的影响。
- NGSIM数据被用来校准跟车模型参数，并显示参数之间相关性的统计显著性。
- 在四个不同的地点收集了高质量的交通数据集
-
相关阅读:
GBase 8c V3.0.0数据类型——安全函数
java毕业设计成品基于JSP+SSH框架的城市公交查询系统[包运行成功]
【C++面向对象程序设计】类与对象（中）
asp.net+sqlserver餐厅餐饮管理系统C#项目源码
Mybatis之关联关系映射
Go 限流器使用
数据结构与算法01：时间复杂度
手把手教你正确地创建一个Servlet项目
IPIDEA的使用方式
Linux的OpenLava配置
- 原文地址：https://blog.csdn.net/qq_40206371/article/details/134518982
